Optimisation du modèle de prévision des volumes d’appels entrants

Approche 

Phase qualitative 

Les mesures suivantes ont été prises en ce qui concerne le processus et le modèle de prévision :

• Entretiens internes avec des salariés de Proximus, par exemple des salariés de l’équipe de prévision, des départements concernés comme la gestion de la capacité et la planification… afin de mieux comprendre le processus et le modèle actuels, ainsi que les principaux points forts et défis 

• Entretiens externes avec le personnel des Contact Centers externes afin de connaître leur avis sur les prévisions fournies, par exemple le calendrier, la précision, les éléments positifs, les possibilités d’amélioration… 

• Entretiens externes avec des salariés d’autres entreprises (de télécommunications), choisis sur la base du réseau de Proximus et de celui de Möbius. Cela a permis d’établir une base de comparaison intéressante et d’offrir des perspectives et des idées pour l’avenir.  

• Brainstorming interne avec les salariés de Proximus pour discuter d’éventuels « événements » ayant un impact sur les volumes d’appels, ainsi que la mesure dans laquelle ils sont prévisibles, par exemple les conditions météorologiques, les actions commerciales, le déploiement de nouveaux appareils…  

Modèle de prévision statistique 

Dans un premier temps, Möbius a construit un modèle statistique prédictif à partir d’une feuille blanche, sur la base des volumes réels historiques obtenus. L’erreur moyenne pondérée en pourcentage absolu (WMAPE) a été calculée sur une base quotidienne, hebdomadaire, mensuelle et annuelle et pour les différents « workstreams » définis par Proximus, par exemple technique contre commercial, néerlandais contre français, clients résidentiels contre moyennes entreprises… Plusieurs itérations ont ensuite été utilisées pour tester comment le modèle pouvait être optimisé, par exemple : 

• Calcul de la corrélation entre chacun des workstreams pour connaître le potentiel de regroupement (analyse de groupage) 

• Vérification de l’impact de certains événements sur la précision obtenue, par exemple valeurs aberrantes, Covid, déploiement de la fibre…  

• Analyse détaillée pour les événements ayant un impact, par exemple facturation (méthode de réception, méthode de paiement, pourcentage de variation du montant par rapport à la facture précédente…) 

Résultats 

Le projet a notamment débouché sur les résultats suivants :

• Une meilleure compréhension du rôle des « prévisions » dans le processus plus large de gestion du personnel

• Une amélioration de la collaboration entre les différents services concernés

• Une meilleure compréhension des pourcentages de précision qui sont réalistes 

• Une vingtaine d’idées concrètes d’amélioration pour commencer

• Clarification des « événements » sur lesquels il faudra se concentrer à l’avenir